Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Обзор современных решений в области прогноза погоды 8
1.1 European Centre for medium-range weather forecasts 9
1.2 Met Office 10
1.3 The Weather Research and Forecasting Model 11
1.4 Технология Meteum 12
Глава 2. Классификация моделей конвективных облаков 14
Глава 3. Применение численной модели конвективного облака 18
3.1. Источник данных 18
3.2 Реализация прогноза 20
Глава 4. Применение методов машинного обучения 21
4.1 Предобработка данных 22
4.2 Описание алгоритма k-Nearest Neighbors 23
4.3 Описание алгоритма AdaBoost 24
4.4 Описание модифицированного алгоритма k-NN 25
Выводы 28
Заключение 31
Список литературы 32
В настоящее время развитие информационных технологий позволяет решать всё более сложные задачи. Одной из таких задач является моделирование состояния атмосферы с целью прогнозирования погоды. Важной задачей прогнозирования погодных явлений является предсказание опасных конвективных явлений, таких как град, шквал, обильные осадки и грозы. Эти явления не только причиняют значительный экономический ущерб, а также угрожают человеческим жизням. В первую очередь, информация о возникновении опасных конвективных явлений необходима аэропортам, авиакомпаниям и службам МЧС.
Ключевым фактором возникновения опасных атмосферных явлений являются конвективные облака. Численное моделирование является наиболее эффективным и распространённым методом изучения облаков.
В соответствии с размерностью пространства выделяют одномерные, полуторамерные, двухмерные и трехмерные модели конвективных облаков. Наиболее полно облака описывают двух- и трехмерные модели, но они требуют больших вычислительных ресурсов и использования суперкомпьютеров. Для расчетов на обычном персональном компьютере более подходящей является полуторамерная модель облака, так как она способна воспроизводить характеристики, которые достаточно полно описывают модель для обработки данных в режиме реального времени.
В данной работе используется полуторамерная нестационарная модель конвективного облака с параметризацией микрофизических процессов для расчёта параметров облака, которые могут быть использованы для прогнозирования опасных конвективных явлений. Прогноз реализуется по отобранным численным параметрам смоделированного облака с помощью методов машинного обучения.
Машинное обучение – это метод анализа данных, который позволяет искусственно созданной системе обучаться на собственном опыте и получать знания из имеющегося объема входных данных. Алгоритмы машинного обучения используют вычислительные методы для обучения непосредственно на входных данных, не полагаясь на заранее заданные уравнения. Алгоритмы машинного обучения адаптивно улучшают свои характеристики по мере увеличения количества данных, доступных для обучения.
В данной работе машинное обучение применяется для разработки и реализации алгоритма прогнозирования опасных конвективных явлений с использованием данных, полученных при моделировании конвективного облака. Таким образом, данная численная модель может быть использована для оперативного прогноза опасного конвективного явления на метеорологических станциях и в метеоцентрах.
Основная цель работы достигнута, выполнены все поставленные задачи.
Была выбрана наиболее подходящая для поставленной задачи численная модель облака, позволяющая реализовать прогнозирование с использованием методов машинного обучения в оперативном режиме.
Был разработан и реализован алгоритм обработки результатов моделирования облачной конвекции с использованием методов машинного обучения на основании полуторамерной нестационарной модели конвективного облака.
Также была реализована предварительная обработка выходных данных модели.
Реализован прогноз опасного конвективного явления по результатам работы численной модели. Наибольшая точность получена при классификации грозы.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
